mindspore.ops.multilabel_margin_loss
- mindspore.ops.multilabel_margin_loss(input, target, reduction='mean')[源代码]
用于优化多标签分类问题的合页损失。
创建一个标准,用于优化输入 \(x\) (一个2D小批量Tensor) 和输出 \(y\) (一个目标类别索引的2DTensor)之间的多标签分类合页损失(基于边距的损失): 对于每个小批量样本:
\[\text{loss}(x, y) = \sum_{ij}\frac{\max(0, 1 - (x[y[j]] - x[i]))}{\text{x.size}(0)}\]其中 \(x \in \left\{0, \; \cdots , \; \text{x.size}(0) - 1\right\}\), \(y \in \left\{0, \; \cdots , \; \text{y.size}(0) - 1\right\}\), \(0 \leq y[j] \leq \text{x.size}(0)-1\), 并且 \(i \neq y[j]\) 对于所有 \(i\) 和 \(j\) 。 \(y\) 和 \(x\) shape必须相同。 该标准仅考虑从前方开始的连续非负目标块。这允许不同的样本具有不同数量的目标类别。
- 参数:
input (Tensor) - 预测值。上述公式中的 \(x\) ,shape为 \((C)\) 或 \((N, C)\),其中 \(N\) 为批量大小,\(C\) 为类别数。数据类型必须为:float16或float32。
target (Tensor) - 真实标签,上述公式中的 \(y\) ,shape与 input 相同,数据类型必须为int32,标签目标由-1填充。
reduction (str,可选) - 指定应用于输出结果的规约计算方式,可选
'none'
、'mean'
、'sum'
,默认值:'mean'
。'none'
:不应用规约方法。'mean'
:计算输出元素的平均值。'sum'
:计算输出元素的总和。
- 返回:
outputs (Union[Tensor, Scalar]) - MultilabelMarginLoss损失。如果 reduction 的值为
'none'
, 那么返回shape为 \((N)\) 的Tensor类型数据。否则返回一个标量。
- 异常:
TypeError - 当 input 或者 target 数据不是Tensor时。
TypeError - 当 input 数据类型不是以下其中之一时:float16、float32。
TypeError - 当 target 数据类型不是int32时。
ValueError - 当 input 的数据维度不是以下其中之一时:1、2。
ValueError - 当 input 和 target 的shape不相同时。
ValueError - 当 reduction 的值不是以下其中之一时:
'none'
、'mean'
、'sum'
。
- 支持平台:
Ascend
GPU
样例:
>>> import mindspore >>> import numpy as np >>> from mindspore import Tensor, ops >>> inputs = Tensor(np.array([[0.1, 0.2, 0.4, 0.8], [0.2, 0.3, 0.5, 0.7]]), mindspore.float32) >>> target = Tensor(np.array([[1, 2, 0, 3], [2, 3, -1, 1]]), mindspore.int32) >>> output = ops.multilabel_margin_loss(inputs, target) >>> print(output) 0.325